摘要：本文分析了疲勞駕駛檢測研究的現(xiàn)狀，介紹了使用最為廣泛的幾種檢測技術以及研究成果，綜合分析了幾種檢測技術的優(yōu)缺點。認為現(xiàn)有檢測設備成本過高，性價比過低，不利于推廣應用。開展實車實驗提出合理的疲勞分級標準，發(fā)展簡單無接觸，并基于信息融合的檢測技術將是以后疲勞駕駛檢測的發(fā)展方向。

關鍵詞：疲勞駕駛 檢測技術 信息融合 發(fā)展趨勢

0 引言

據(jù)世界衛(wèi)生組織2009年的統(tǒng)計數(shù)據(jù)表明，由疲勞駕駛引起的交通事故占到總交通事故的37.91%[1]。從很多嚴重的交通事故發(fā)生原因來分析，其中一個很重要的原因就是，駕駛員的過度疲勞駕駛，駕駛員在疲勞的狀態(tài)下，會導致精力不集中，不能很好的控制車輛行駛的速度和方向。近些年在疲勞程度檢測方面，比較成熟的方法有以下五種：

①基于主觀評定的檢測方法；②基于生理參數(shù)檢測的方法；③基于駕駛行為特征的檢測；④基于車輛狀態(tài)特征的檢測；⑤基于信息融合的檢測技術。

1 疲勞駕駛檢測方法

1.1 基于主觀評定的檢測方法

主觀評定法分為主觀自評和主觀他評，主要基于駕駛人主觀感受、反應時間、面部特征等將駕駛人主觀疲勞感覺進行分類量化。主要的評價標準和方法有卡洛琳斯卡睡眠尺度表 KSS（Karolinska Sleepiness Scale）、斯坦福嗜睡量表SSS（Stanford Sleepiness Scale）和視覺類比量表VAS（Visual Analogue Scales）；基于面部視頻的專家評分方法，它通過一組受過訓練的專家根據(jù)駕駛人的面部表情和頭部姿態(tài)等特征對其疲勞狀態(tài)進行評分[2]。

1.2 基于生理參數(shù)的檢測方法

1.2.1 基于腦電的檢測（EEG）

基于腦電信號檢測的方法是根據(jù)觀察這四種波（α波、β波、θ波、δ波）出現(xiàn)的數(shù)量多少或者某種波的變化來反映駕駛人的疲勞狀態(tài)。具體表現(xiàn)為：當駕駛員處于疲勞狀態(tài)時，θ波大幅增加，α波數(shù)量增多；當駕駛員處于清醒狀態(tài)時，β波出現(xiàn)數(shù)量增多，其他波相對減少。腦電信號檢測被譽為疲勞檢測的“金標準”。王玉化[3]等在草原單調枯燥的駕駛環(huán)境下進行實車實驗，發(fā)現(xiàn)β波和（α/θ）/β兩項指標對駕駛員疲勞最為敏感且在行車90～110min時段內(nèi)，駕駛員疲勞趨勢最為明顯。房瑞雪[4]等人采用駕駛模擬實驗，通過對不同頻帶的EEG信號的平均功率的變化規(guī)律的研究，驗證EEG信號作為疲勞檢測指標的合理性，得出了各腦電指標與P80指標之間存在很大的相關性的結論；張誠[5]基于快速傅里葉變換法對腦電信號中α、β、θ、δ特征節(jié)律進行分析，通過計算α、β、θ、δ各個特征節(jié)律的相對能量值，并求出疲勞指數(shù)，進而估計駕駛員的疲勞程度。

EEG信號檢測的可靠性和靈敏度很好，其抗干擾性也很強，但是其成本高、結構復雜、需用專用儀器，測試條件苛刻、可擴展性較差，而且要在被測試者的相應部位安裝傳感器，對駕駛員的操作帶來負面作用。

1.2.2 基于心電的檢測（ECG）

ECG主要被用于駕駛負擔的生理測量中，當駕駛員

疲勞時，心電信號會呈現(xiàn)出明顯的規(guī)律性下降，心電信號中的心率HR（Heart Rate）指標和心率變異性HRV（Hart Rate Variability）指標是判斷疲勞駕駛的重要的生理指標。郭孜政[6]等以駕駛行為績效為客觀測評指標，給出了駕駛精神疲勞狀態(tài)的分級劃分方法，以心率變異性的6 項指標作為疲勞識別特征因子，采用BP神經(jīng)網(wǎng)絡模型，建立了駕駛精神疲勞狀態(tài)分類器，有效識別駕駛員疲勞狀態(tài)。

ECG信號檢測方法具有裝置可隨身攜帶、簡單易行、非侵入式等優(yōu)點，有望實現(xiàn)動態(tài)檢測與實時處理，但其不足之處在于診斷性和敏感性較差，應結合其他分析方法進行綜合研究。

1.2.3 基于肌電的檢測（EMG）

一般來說，使用誘發(fā)電位的方法，測量EMG信號，具體的實施過程，是在駕駛員的肌肉表面，固定好一塊電極，在產(chǎn)生肌電信號時，可以通過肌肉表面的電極傳送到肌電圖記錄儀。當駕駛員的疲勞程度不斷加深時，EMG的頻率就會不斷下降，幅值逐漸增大[7]，這樣就可以有效控制駕駛員的疲勞程度。這種檢測方法，是基于人體的生理指標，其結果比較客觀真實，可以較好的反應駕駛員的疲勞程度，不過，從另一方面看，很多生理傳感器對人體肌膚有著一定的有侵入性，這對于駕駛員的安全駕駛，有著一定的影響。

1.3 基于駕駛行為參數(shù)的檢測方法

基于駕駛員行為特征的檢測方法是指利用駕駛人的頭部、眼部、嘴部等特征的變化規(guī)律判斷駕駛人的疲勞水平，其中駕駛人眼部特征被認為是反映疲勞狀態(tài)的重要特征。

基于眼動特征參數(shù)的檢測主要集中于眨眼閉合率、眨眼頻率、瞳孔直徑變化等方面。許少凡等[8]研發(fā)了DSP識別系統(tǒng)，其主要工作原理是根據(jù)駕駛員眼睛的瞳孔幾何特征發(fā)生的變化，來對駕駛員的疲勞程度進行檢測，從而判斷其疲勞狀況。徐建君[9]在研究中，主要是設法采集駕駛員的眼部數(shù)據(jù)，并通過和正常的數(shù)值進行對比分析，判斷其疲勞程度，比較常用的方法有灰度投影法、區(qū)域灰度特征、Hough找圓法等，通過運用這些方法，對駕駛員的面部特征、精神狀態(tài)和肌肉緊張程度等，進行綜合分析，然后對比數(shù)據(jù)分析結果，進而得出比較可靠的疲勞程度，提高駕駛員疲勞檢測的準確性。

基于駕駛員行為特征的檢測方法直觀、明顯，可實現(xiàn)非侵入式測量，但檢測識別算法較復雜，且檢測結果受環(huán)境變化和個體差異的影響較大。

1.4 基于車輛狀態(tài)特征的檢測

隨著疲勞水平增加，駕駛人對周圍行駛環(huán)境的感知能力、形勢的判斷能力和車輛的控制能力都會有所下降，導致駕駛人無法及時獲取相關的駕駛信息，對車輛行駛狀態(tài)的容忍誤差變大、控制精度降低，從而駕駛人操作變量和車輛狀態(tài)變量會出現(xiàn)異常波動。因此，通過研究車輛的狀態(tài)變量的變化規(guī)律，可以實現(xiàn)駕駛人疲勞水平的檢測。屈肖蕾[10]等提取描述疲勞操作特性的轉向操作特征指標，采用序列浮動前向選擇算法篩選最優(yōu)的特征指標組合，最終建立了一種基于SVM的駕駛員3級疲勞的在線檢測算法。Friedrichs.F[11]等提取方向盤轉角和車輛橫向位置的11個檢測指標，基于神經(jīng)網(wǎng)絡建立疲勞駕駛檢測模型，達到了較高的檢測精度。

基于車輛行為特征的檢測方法雖然是一種非接觸方式，不會對駕駛員的正常駕駛造成干擾。信號容易提取且較精確、客觀。但測試條件易受到駕駛員個人習慣、具體的車型和駕駛環(huán)境的影響，特征參數(shù)疲勞程度的相關性難以量化。

1.5 基于信息融合的檢測技術

隨著信息融合技術的發(fā)展，越來越多的研究者嘗試將信息融合技術應用于疲勞駕駛檢測中[12-13]。王連震[14]等將駕駛環(huán)境屬性、駕駛人個體屬性和原始疲勞屬性作為模型輸入層變量，選擇腦電指標、心電指標、眼動指標、駕駛績效指標作為模型輸出層變量，將清醒、輕度疲勞、重度疲勞三種駕駛疲勞程度作為隱含層變量，構建了基于貝葉斯網(wǎng)絡的駕駛疲勞程度識別模型。牛清寧[15]提取駕駛行為特征參數(shù)和駕駛員眼動特征參數(shù)，基于支持向量機（SVM）建立自適應的疲勞檢測模型，并達到了較高的檢測精度。成波[16]等融合駕駛人眼部特征和駕駛行為特征，基于Fisher和DS理論，實現(xiàn)了疲勞駕駛的檢測。汪澎[17]等基于多源

信息，利用多智能體理論研究了駕駛人低警覺性檢測系統(tǒng)。

2 疲勞駕駛檢測產(chǎn)品

疲勞駕駛檢測技術經(jīng)過長時間的發(fā)展，隨著技術的不斷完善，檢測精度不斷提高，已經(jīng)完成從理論研究階段到投入實際運用的過渡，研發(fā)出多款疲勞檢測產(chǎn)品，投入實際運用中，現(xiàn)將其介紹如下[18]：

比亞迪汽車在駕駛員的疲勞檢測方面，推出了疲勞駕駛預警系統(tǒng)（BAWS），其主要工作原理是根據(jù)駕駛員的生理圖像反應，根據(jù)其面部運動和變化的不同特征，分析駕駛員的疲勞程度。該裝置的主要構成部分是ECU和攝像頭，在駕駛員開車時，攝像頭對其面部的相關特征、眼睛的變化、頭部的運動特征等，進行記錄和分析，以此判斷駕駛員是否處于疲勞狀態(tài)。

大眾汽車裝備的疲勞識別系統(tǒng)，是通過記錄和分析駕駛員在駕車行駛過程中，其操作行為發(fā)生的變化，從而判斷駕駛員是否處于疲勞狀態(tài)。其中，駕駛員在駕車時的操作頻率、實際駕車時間、轉向燈使用情況、駕駛時間等參數(shù)等是比較重要的分析評判指標，通過復雜的融合算法計算駕駛員疲勞程度，當參數(shù)高于設定的閾值時，駕駛員的疲勞程度就會在相應的儀表盤上顯示出來，通過這種方式，提醒駕駛員注意休息。

奔馳汽車裝備的注意力輔助系統(tǒng)，這種系統(tǒng)的工作狀態(tài)下，通過使用71個傳感器，能夠對駕駛員的駕駛行為做出比較科學的檢測。

沃爾沃汽車內(nèi)部配備駕駛員安全警告系統(tǒng)（DAC），其主要構成部分是攝像頭、若干傳感器和一個控制單元。傳感器的主要作用是記錄汽車的運動，控制單元儲存該信息，然后通過緊密的計算，判斷駕駛員是否處于疲勞駕駛的狀態(tài)。在駕駛員駕車的過程中，如果檢測設備檢測到駕駛員處于疲勞駕駛狀態(tài)，或者有分心的跡象，就會通過聲音信號警告駕駛員，同時在相應的儀表盤上還有文字警示。

現(xiàn)有的疲勞駕駛檢測預警產(chǎn)品多是基于多種特征參數(shù)對駕駛員疲勞狀態(tài)進行識別，識別精度得到了有效保證，市場上的疲勞預警裝置均為附加裝置，需要額外購買并安裝，且價格不菲，這是造成駕駛疲勞預警系統(tǒng)未能普及的重要原因之一。如果能夠利用常用硬件資源，實現(xiàn)疲勞預警的目的，這更加方便于疲勞預警的普及。

3 研究不足及發(fā)展趨勢

①現(xiàn)有檢測設備難以推廣應用，要么檢測效果不理想，出現(xiàn)誤報；要么成本太高，如本文列舉的檢測系統(tǒng)僅在其高配車型中裝配。因此，提高檢測設備的性價比，降低疲勞檢測設備的成本將是今后發(fā)展的重點。

②現(xiàn)有檢測設備所選檢測指標難以客觀量化，且只能表示清醒和疲勞兩個狀態(tài)，對清醒至疲勞的過度無法表示，也就無法判定駕駛員何時進入疲勞狀態(tài)，不能根據(jù)駕駛員的疲勞狀態(tài)給予相應的提示信息。因此，提出合理的疲勞分級標準和準確檢測疲勞等級以及確定與檢測指標的關系并進行量化，將是今后研究的一個重點。

③現(xiàn)有研究多基于駕駛模擬器開展，但是模擬駕駛環(huán)境和真實的駕駛環(huán)境畢竟存在或多或少的差異，不能反映真實的駕駛情況，因此，提高相關仿真軟件的有效性、檢測精度與可靠性或直接進行實車試驗將是以后研究的方向。

④現(xiàn)有基于單一指標的檢測方法的諸多不足已然表現(xiàn)出來，其無法克服空間、光照、天氣等環(huán)境變化對檢測精度的影響，這就導致了駕駛員疲勞檢測存在較大的誤差。

4 結束語

本文分析了疲勞駕駛檢測研究的現(xiàn)狀，介紹了使用最為廣泛的幾種檢測技術以及研究成果，綜合分析了每種檢測技術的優(yōu)缺點，認為現(xiàn)有檢測設備成本過高，性價比過低，不利于推廣應用；此外，開展實車試驗提出合理的疲勞分級標準，發(fā)展簡單無接觸，并基于信息融合的檢測技術將是以后疲勞駕駛檢測的發(fā)展方向。

參考文獻：

[1]袁翔，孫香梅.疲勞駕駛檢測方法研究進展[J].汽車工程學報， 2012，02（3）.

[2]Saroj K.L.Lal，Ashley Craig.A Critical Review of the Psychophysiology of Driver Fatigue[J].Biological Psychology.2001，55：173-194.

[3]王玉化，朱守林，戚春華，高明星.基于腦電信號的草原公路駕駛疲勞研究[J].科學技術與工程，2014，27：286-290.

[4]房瑞雪，趙曉華，榮建，毛科俊.基于腦電信號的駕駛疲勞研究[J].公路交通科技，2009（S1）：124-126+141.

[5]張誠.基于腦電信號的駕駛疲勞實時檢測系統(tǒng)[D].北京工業(yè)大學，2010.

[6]郭孜政，譚永剛，馬國忠，潘毅潤，陳崇雙.基于BP神經(jīng)網(wǎng)

絡的駕駛精神疲勞識別方法[J].哈爾濱工業(yè)大學學報，2014，08：118-

121.

[7]鄭培，宋正河，周一鳴.機動車駕駛員駕駛疲勞測評方法的研究狀況及發(fā)展趨勢[J].中國農(nóng)業(yè)大學學報，2001，6（6）：101-105.

[8]許少凡，李凱鈿，狄紅衛(wèi)，劉卓健.基于瞳孔幾何特征的駕駛疲勞檢測嵌入式系統(tǒng)的設計[J].光學技術，2009，35（1）：148-151.

[9]徐建君.基于人臉特征的列車司機疲勞駕駛檢測與識別系統(tǒng)研究[D].成都：西南交通大學，2010：39-64.

[10]屈肖蕾，成波，林慶峰，等.基于駕駛員轉向操作特性的疲勞駕駛檢測[J].汽車工程，2013（9）：803-807.

[11]Friedrichs F，Yang B.Drowsiness monitoring by steering and lane data based features under real driving conditions[C]//Proceedings of the European Signal Processing Conference， Aalborg， Denmark.2010：23-27.

[12]朱淑亮.基于視頻圖像分析與信息融合的駕駛員疲勞檢測技術研究[D].山東大學，2011.

[13]薄純娟，徐國凱，宋鵬，李忠楠.疲勞駕駛檢測方法研究綜述[J].大連民族學院學報，2013，03：266-271.

[14]王連震，裴玉龍.基于貝葉斯網(wǎng)絡的駕駛疲勞程度識別模型[J].城市交通，2014，03：66-74.

[15]牛清寧.基于信息融合的疲勞駕駛檢測方法研究[D].吉林大學，2014.

[16]成波，馮睿嘉，張偉，李家文，張希波.基于多源信息融合的駕駛人疲勞狀態(tài)監(jiān)測及預警方法研究[J].公路交通科技，2009（S1）：13-

18.

[17]汪澎，劉志強，仲晶晶.駕駛員注意渙散檢測技術研究[J].中國安全科學學報，2010，07：82-88.

[18]http：//price.pcauto.com.cn/qcbk/aqfz/aqzb/1209/2149462.html.

作者簡介：

汪宴賓（1988-），男，四川安岳人，西南交通大學交通運輸與物流學院碩士研究生，研究方向：交通運輸安全工程。